具有词判别力学习能力的短文本聚类概率模型研究

• 作者: 牛亚男
• 来源期刊: 计算机应用研究
• 关键词: 短文本聚类 概率模型 判别力
• 年，卷（期）: 2018,（12）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 3569-3574
• 页数: 6页
• 分类号: TP391.1
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2018.12.011

摘要

社交媒体的广泛使用使短文本聚类成为一个重要的研究课题.为了解决由于短文本词向量的高维、稀疏性而造成的传统文本聚类方法应用在在短文本上效果欠佳的问题,通过大量的研究调查发现由于短文本词向量的稀疏性,词对簇结构的判别能力对短文本类结构的学习尤为重要.在经典文本聚类模型LDA(latent Dirichlet allocation)、BTM(biterm topic model)和GSDMM(Gibbs sampling dirichlet multinomial mixture model)中增加二项分布来衡量词对类结构学习中的判别力强弱,并通过Gibbs采样算法对模型中的参数进行求解.最后在真实数据集上的实验结果显示,增加词判别力的学习可以提高现有概率模型聚类方法的精确度、互信息值和F值,验证了词判别力学习对类结构学习的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	牛亚男	北京交通大学计算机与信息技术学院	1	4	1.0	1.0